[发明专利]一种充填管道裂纹检测方法

权利要求书

1.一种充填管道裂纹检测方法，其特征在于，包括：

利用带有裂纹的管道图像和加噪处理后的所述带有裂纹的管道图像对图像去噪模型进行训练；

利用带有裂纹的管道图像及同时带有雨滴和裂纹的管道图像对图像去雨滴模型进行训练；

利用目标检测训练集对裂纹检测模型进行训练，其中，所述目标检测训练集中的每张管道图像被标注出裂纹位置；

实时获取待检测的管道图像，利用训练好的图像去噪模型、图像去雨滴模型、裂纹检测模型依次对待检测管道图像进行去噪、去雨滴处理、对裂纹进行检测；

其中，在利用带有裂纹的管道图像和加噪处理后的所述带有裂纹的管道图像对图像去噪模型进行训练之前，所述方法包括：

采集带有裂纹的管道图像，并将一块带有雨滴的玻璃块放在摄像头前面，用于采集同时带有雨滴和裂纹的管道图像；

将采集的带有裂纹的管道图像按照预设的第一比例划分为训练集train1和测试集test1；

将采集的同时带有雨滴和裂纹的管道图像按照预设的第一比例划分为训练集train3和测试集test3；其中，train1与train3作为一组训练数据，记为Rain_train；test1和test3作为一组测试数据，记为Rain_test；

对训练集train1和测试集test1分别进行加噪处理，将加噪处理后的train1、test1分别记为train2、test2；其中，train1与train2作为一组训练数据，记为Noise_train；test1和test2作为一组测试数据，记为Noise_test；

将加标签处理后的训练集train1、测试集test1分别记为train4、test4；其中，加标签处理指标注出每张管道图像中的裂纹位置并加上裂纹名；

其中，所述利用带有裂纹的管道图像和加噪处理后的所述带有裂纹的管道图像对图像去噪模型进行训练包括：

采用基于深度强化学习的方法建立图像去噪模型；其中，利用工具箱和具有循环结构的代理网络建立图像去噪模型，工具箱中总共有12个工具，工具也称为修复动作，每个工具是使用一个三层的或者八层CNN网络结构构成的，叫做工具网络，每一个修复步骤里都需要有一个agent代理网络用来判断应该使用Toolbox里的哪一个工具，agent由三部分组成：

特征提取器，包含了4个卷积层和1个全连接层，用于将输入图像转化为32维特征向量；

One-hot编码器，其输入是前一步骤的动作估值向量，输出将其转换为对应的特征向量；

长短期记忆网络，用特征提取器和One-hot编码器的输出作为输入，最后输出当前步骤的估值向量v_t，用于复原工具的选取；

利用训练数据Noise_train对所述图像去噪模型进行训练，以便训练好的所述图像去噪模型能够对带有噪音的管道图像进行去噪修复；

其中，所述利用带有裂纹的管道图像及同时带有雨滴和裂纹的管道图像对图像去雨滴模型进行训练包括：

采用基于生成对抗网络的方法建立图像去雨滴模型；

利用训练数据Rain_train对所述图像去雨滴模型进行训练，以便训练好的所述图像去雨滴模型能够对带有雨滴的管道图像进行去雨滴修复；

其中，所述利用目标检测训练集对裂纹检测模型进行训练包括：

建立裂纹检测模型，其中，所述裂纹检测模型采用Faster RCNN网络结构；

将train4作为目标检测训练集对所述裂纹检测模型进行训练，使得训练好的裂纹检测模型能够对管道图像中的裂纹进行识别及定位。

2.根据权利要求1所述的充填管道裂纹检测方法，其特征在于，在利用带有裂纹的管道图像和加噪处理后的所述带有裂纹的管道图像对图像去噪模型进行训练之后，所述方法还包括：

利用测试数据Noise_test对训练好的所述图像去噪模型进行测试，以便检测其去噪修复效果。

3.根据权利要求1所述的充填管道裂纹检测方法，其特征在于，在利用带有裂纹的管道图像及同时带有雨滴和裂纹的管道图像对图像去雨滴模型进行训练之后，所述方法还包括：

利用测试数据Rain_test对训练好的所述图像去雨滴模型进行测试，以便检测其去雨滴修复效果。